ميكانيكي تجريبي لاكتشاف المواد فوق الطبيعية ذات هندسة الشبكة اللوحية

لماذا تهم المواد الأذكى

من أحذية الجري إلى الطائرات، يسعى المهندسون دائماً إلى مواد تجمع بين الخفة والمتانة. فئة أحدث من المواد «الشَبَكية» المبنية من أنماط ثلاثية الأبعاد متكررة قادرة على التفوق على المعادن أو البلاستيك الصلب، لكن تعديل هندستها المعقدة كان عادةً يتطلب تجارب بطيئة عبر المحاولة والخطأ. يقدم هذا المقال نظام مختبري آلي يتصرف كمهندس لا يكلّ: يصمم ويطبع ثلاثيّاً ويختبر ويتعلّم من مئات الشبكات الصغيرة بنفسه لاكتشاف هياكل تتحمل أحمالاً كبيرة مع بقاءها خفيفة الوزن.

روبوت يُجري تجاربه بنفسه

جوهر العمل هو نظام يسميه المؤلفون «الميكانيكي التجريبي» أو ExMech. يشغل مساحة مختبرية مخصصة ويربط تسعة محطات عمل: عدة طابعات ثلاثية الأبعاد، محطات تنظيف وتجفيف، آلات وزن واختبار، وذراع روبوتية تنقل العينات بينها. برنامج مكتوب بلغة بايثون ينسق كل شيء. في كل دورة، يصمم النظام تلقائياً نماذج رقمية لعينات الشبكة، يطبعها في راتنج حساس للضوء، ينظفها ويجففها، يزنها لتحديد مساميتها، ثم يسحقها ويخضعها للقص في آلات اختبار مخصصة لقياس مقدار القوة التي تتحملها قبل الفشل.

حلقة تعلم بدل المحاولة العمياء

ما يجعل ExMech أكثر من خط إنتاج هو طريقة اختياره لما يجب اختباره تالياً. بعد كل دفعة من القياسات، يتم تحديث نموذج تعلّم آلي يُدعى الانحدار بالعمليات الغاوسية (Gaussian Process Regression) للتنبؤ بكيفية تأثير خيارات التصميم على ثلاثة أهداف في آن واحد: مقاومة الانضغاط، مقاومة القص، والخفة. ثم تبحث إجراءَة «التعلّم النشط» عبر آلاف التركيبات الممكنة من سمك اللوح، حجم الفتحات، وقطر الأعمدة وتختار تلك الأرجح لتحسين التوازن بين هذه الأهداف. يركز هذا النهج التجارب قرب أفضل المقايضات بدلاً من تبديد الجهد على تصاميم ضعيفة.

إيجاد أفضل المقايضات

يطبق الفريق ExMech على عائلة من ما يُسمّى الشبكات الهجينة لوح–دعامات، التي تدمج ألواحاً صلبة مع قضبان رفيعة. يمكن لهذه الهجينة، نظرياً، أن تتفوق على الشبكات التقليدية المكونة من قضبان فقط في المتانة مقابل نفس الوزن، لكن فضاء التصميم ضخم. بدلاً من أكثر من 55,000 اختبار ميكانيكي التي يتطلبها بحث شبكي دقيق، يحدد ExMech أفضل «جبهة باريتو» من الحلول في 150 اختباراً فقط — أي تقليل عبء العمل بنحو 370 ضعفاً. على طول هذه الجبهة، لا يمكن تحسين أي من الأهداف الثلاثة دون التضحية بواحد على الأقل. ضمن هذا المجموع، ترفع بعض التصاميم كلّاً من مقاومة الانضغاط والقص بنحو 15% مقارنةً بالتصاميم الابتدائية دون إضافة وزن؛ بينما تضاعف تصاميم أخرى كلا القوتين وأكثر مع زيادة في الوزن نحو 13% فقط.

نظرة داخلية على كيفية عمل الشبكات

بما أن النظام يسجل كل متغير وكل نتيجة، يستطيع الباحثون تفكيك أسباب أداء بعض الشبكات جيداً. يستخدمون تقنية تُدعى SHAP، واسعة الاستخدام في الذكاء القابل للتفسير، لقياس مدى تأثير كل متغير هندسي على كل خاصية. تُظهر التحليلات أن سمك اللوح وقطر الدعامات يعززان القوة عموماً، بينما الفتحات الأكبر تقلل القوة لكنها تخفف المادة. مع ذلك، العلاقات غير خطية بقوة: أحجام فتحات متقاربة يمكن أن تُظهر تأثيرات مختلفة جداً اعتماداً على أبعاد اللوح والدعائم. تكشف الاختبارات الميكانيكية والملاحظات الفيديوية أن الشبكات منخفضة الكثافة تميل للفشل عبر انبعاج لطيف وانهيار تدريجي، بينما تلك الكثيفة تفشل بشكل أكثر فجائية عبر تكسر هش. يحدد الفريق «تآزر الدعامة واللوح» الرئيسي: القضبان تدعم الألواح ضد الانتشار الجانبي، وتساعد الألواح على إشراك مزيد من القضبان في حمل الحمل، لذا يتراجع الأداء بشدة إذا أضعف أي من العنصرين كثيراً.

من عينات المختبر إلى نواصص العالم الواقعي

لإظهار الأثر العملي، يستخدم المؤلفون اثنين من الشبكات المكتشفة لبناء نواصص أحذية مطبوعة ثلاثيّاً ذات مسامية أعلى من رغوات السوق النموذجية، مما يجعلها خفيفة جداً. أحد تصميمات النعل الأوسط يفضّل مقاومة القص، والآخر مقاومة الانضغاط. عند اختباره تحت تحميل عمودي وجانبي معاً بزاوية مائلة، يفشل التصميمان بطرق مميزة—أحدهما عبر انبعاج أكثر تماثلاً، والآخر عبر انزلاق على طول أشرطة قطرية—مما يوضح كيف يمكن لسطح المقايضات المرسوم أن يوجّه المصممين لاختيار هياكل ملائمة لأنماط تحميل محددة.

ما الذي يعنيه هذا للمستقبل

بعبارات بسيطة، تُظهر هذه الدراسة أن مختبراً يقوده روبوت ومرشَّد بالذكاء الاصطناعي يمكنه اكتشاف لبنات بناء جديدة خفيفة وقوية بسرعة لمنتجات المستقبل. من خلال استكشاف تلقائي لكيفية تأثير تغييرات صغيرة في الهندسة على القوة والوزن، يكشف ExMech عن تأثيرات تدعيم دقيقة في الشبكات لوح–دعامات ويحوّل فضاء تصميم ساحق إلى خريطة قابلة للتنقل. يمكن أن يسرّع نفس النهج الذاتي التحسين تطوير العديد من «المواد فوق الطبيعية» الأخرى، مما يساعد المهندسين على تصميم هياكل أكثر أماناً وخفة وكفاءة من أحذية إلى مكونات الطيران.

الاستشهاد: Hu, S., Li, H., Lu, W. et al. Experimental mechanician for plate lattice metamaterial discovery. Nat Commun 17, 3933 (2026). https://doi.org/10.1038/s41467-026-70675-x

الكلمات المفتاحية: المواد الميكانيكية المتغيرة, هياكل الشبكات, المختبرات ذاتية القيادة, التحسين متعدد الأهداف, نَوَاصِر أحذية مطبوعة ثلاثية الأبعاد